首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于OpenCV视觉库的人脸检测

摘要第4-5页
Abstract第5页
第1章 绪论第10-18页
    1.1 课题的提出第10-11页
    1.2 需求分析第11-12页
        1.2.1 系统功能需求第11页
        1.2.2 系统数据需求第11-12页
    1.3 人脸检测技术简介第12-13页
    1.4 人脸检测研究的目的与现状第13页
        1.4.1 研究目的第13页
        1.4.2 研究现状第13页
    1.5 人脸检测方法简介第13-16页
        1.5.1 基于几何特征的检测方法第14-15页
        1.5.2 基于肤色模型的人脸检测方法第15页
        1.5.3 基于统计理论的人脸检测方法第15-16页
    1.6 人脸检测方法的性能评价第16页
    1.7 开发环境及工具第16页
    1.8 论文结构安排第16-18页
第2章 Adaboost 算法与分类器训练第18-20页
    2.1 Adaboost 算法的背景第18页
    2.2 AdaBoost 算法的描述第18-19页
    2.3 Adaboost 算法的形式第19-20页
第3章 Haar 分类器训练第20-34页
    3.1 技术简介第20-21页
        3.1.1 OpenCV 视觉库第20页
        3.1.2 人脸的 Haar 特征第20页
        3.1.3 人脸的 Haar 特征分类器的本质第20-21页
        3.1.4 训练思想第21页
    3.2 haar 特征在人脸检测中的应用第21-24页
        3.2.1 Adaboost 算法在人脸检测中的应用第21-23页
        3.2.2 Haar 分类器特点第23-24页
    3.3 分类器的训练过程第24-29页
        3.3.1 弱分类器训练第24-27页
        3.3.2 强分类器训练第27-29页
    3.4 级联强分类器第29-32页
    3.5 分类器优化第32-34页
第4章 人脸检测系统设计与实现第34-48页
    4.1 设计思想第34-35页
        4.1.1 程序总体设计第34页
        4.1.2 程序流程设计第34-35页
    4.2 建立样本集第35-37页
        4.2.1 训练样本第35-36页
        4.2.2 建立正负样本集说明第36-37页
    4.3 创建 VEC 文件第37-38页
    4.4 训练分类器第38-41页
    4.5 配置 OpenCV 视觉库第41-43页
        4.5.1 全局设置第41-42页
        4.5.2 项目设置第42-43页
    4.6 代码编写第43-48页
        4.6.1 载入图片阶段第43页
        4.6.2 图片预处理阶段第43-45页
        4.6.3 加载分类器并进行检测第45-47页
        4.6.4 打印检测结果第47-48页
第5章 参数说明及程序测试第48-53页
    5.1 图像参数说明第48-49页
        5.1.1 P 集说明第48页
        5.1.2 N 集说明第48-49页
        5.1.3 测试图像集说明第49页
    5.2 程序测试第49-51页
        5.2.1 简单背景下的单人脸检测第49-50页
        5.2.2 复杂背景下的单人脸检测第50页
        5.2.3 简单背景下的多人脸检测第50页
        5.2.4 复杂背景下的多人脸检测第50-51页
        5.2.5 集体照检测第51页
    5.3 失败案例分析第51-53页
第6章 结论第53-54页
参考文献第54-56页
作者简介第56-57页
致谢第57页

论文共57页,点击 下载论文
上一篇:基于B/S模式园区用电计算与统计系统的设计和实现
下一篇:旅游行业电子合同管理系统的设计与实现